本文關鍵詞：基于增量式GHSOM神經網絡模型的入侵檢測研究，由筆耕文化傳播整理發(fā)布。

[35]余健，郭平，基于RBF網絡的經融時間序列；[36]李俊奎，時間序列相似性研究，博士論文，華；[37]謝東，張興，曹仁賢，基于增量式GHSOM；[38]阮素梅，于寧，證券投資基金收益概率密度預；[39]谷新軍，基于神經網絡的移動證券數據挖掘研；[40]章兢，鄒阿金，童調生，多項式基函數神經網；[41]童兆，費良俊，發(fā)現金融市場預測模型的計算；[42]周

[35]余健，郭平，基于RBF網絡的經融時間序列預測[J].湖南工程學院學報（自然科學版），2007（04），2007.4，46-48

[36]李俊奎，時間序列相似性研究，博士論文，華中科技大學，2008

[37]謝東，張興，曹仁賢，基于增量式GHSOM神經網絡模型的入侵檢測研究，計算機學報，2014（05），2014.05

[38]阮素梅，于寧，證券投資基金收益概率密度預測——基于神經網絡分位數回歸模型，華東經濟管理，2015（02），2015.05

[39]谷新軍，基于神經網絡的移動證券數據挖掘研究，碩士論文，湘潭大學，2009

[40]章兢，鄒阿金，童調生，多項式基函數神經網絡模型，湖南大學學報，23（2），1996.4，84-89

[41]童兆，費良俊，發(fā)現金融市場預測模型的計算只能方法，軟件學報，10（4），1999.4，395-399

[42]周星月，基于布林線的股指期貨量化模型構建與回測檢驗，碩士論文，南京師范大學，2014

[43]盧鈺，基于參數優(yōu)化的支持向量機股票市場趨勢預測，碩士論文，浙江工商大學，2013

[44]張雨濃，李巍，蔡炳煌，，李克訥，切比雪夫正交基神經網絡的權值直接確定法，計算機仿真，26（1），2009.01，157-161

[45]尹學松，胡思良，陳松燦，基于成對約束的判別型半監(jiān)督聚類分析，軟件學報，19（11），2008.11

[46]王宣承，基于LASSO和神經網絡的量化交_省略_統(tǒng)構建_以滬深300股指期貨為例，投資研究，33（367），2014.9，23-39

[47]陳政，楊天奇，基于RBF神經網絡的股票市場預測，計算機應用與軟件，27（6），2010.6，108-110

[48]孫彬，李鐵克，王柏琳，基于股票市場靈敏度分析的神經網絡預測模型，計算機工程與應用，47（1），2011，26-31

[49]鄭挺國，尚玉皇，基于宏觀基本面的股市波動度量與預測，世界經濟，2014年12期，118-139

[50]張漢江，馬超群，曾儉華，金融市場預測決策的有力工具_ARCH模型，系統(tǒng)工程，15（1），1997.1，43-46

[51]何曉旭，時間序列數據挖掘若干關鍵問題研究，博士論文，中國科學技術大學，2014

[52]顧樂民，預測型切比雪夫多項式，計算機工程與應用，48（7），2012，34-38

[53]姜富偉，凃俊，David E. Rapach，Jack K. Strauss，周國富，中國股票市場的可預測性實證研究，375，2011.9，107-121

附錄 matlab程序代碼

aa=xlsread('ZXZQ.xls');

%從 EXCEL 表格中獲得所需的數據

pd=aa(1:400,1:5)';

%在 EXCEL 表中選取 300~500 條數據，存放在矩陣 pd 中，并對矩陣進行轉置操作

[pn,minp,maxp]=premnmx(pd);

%將 pd 中數據進行歸一化處理

pr=[pn(:,1:350);pn(:,2:351);pn(:,3:352);pn(:,4:353);pn(:,5:354)];

%對歸一化后的矩陣進行處理，因為有 25 個輸入數據，所以一列讀取 5 天的 5 項數據

px=pr(:,1:320);

py=pn(5,6:325);%選擇第5列的當日收盤價作為神經網絡輸出

pX=pr(:,321:330)

pY=pd(5,326:335);

net1=newff(minmax(px),[25,16,1],{'tansig','tansig','purelin'},'trainlm');

%{'tansig','logsig'},'traingdx'); {'logsig','purelin'}

%建立 BP 神經網絡， 25 個輸入神經元， 16 個隱層神經元， 1 個輸出神經元

%25 個輸入神經元代表 5 天的 25 項股票數據，1 個輸出神經元代表著接下來一天

%的收盤價預測值。輸入、隱含層都選擇 tansig 傳遞函數，輸出層選用線性函數

net1.trainParam.show=1;

net1.trainParam.epochs=2000;

net1.trainParam.goal=0.0001;

net1.trainParam.max_fail=5;

%對訓練網絡各項參數的初始設置

net1=init(net1);

%初始化網絡

[net1,tr,Y,E]=train(net1,px,py);

%訓練該神經網絡

s=sim(net1,px);

%網絡訓練完成，檢驗結果存放在 s

er=py-s;

%獲得誤差值

figure

plot(py,'b');

hold on

plot(s,'r*');

title('神經網絡訓練圖 ');

%繪出神經網絡訓練圖

pp=sim(net1,pX);

legend('實際目標值 ','網絡擬合值 ',2);

disp('實際值 ')

pY

%列出實際值

disp('預測值 ')

pp=minp(5)+(maxp(5)-minp(5))*(pp+1)/2

%反歸一預測值，并全部列出

disp('預測產生的誤差 ')

pY-pp

%列出實際的誤差值

figure;

plot(pY,'g');

hold on

plot(pp,'m');

%axis([0,20,1,500]);

title('神經網絡預測圖 ');

legend('實際目標值 ','預測值 ',2)

%繪制神經網絡預測圖

figure;

plot(er,'m');

title('神經網絡訓練誤差曲線 ');

%繪制訓練誤差曲線

最新搜索

畢業(yè)論文初稿

中學數學中重要的數學思想――分類討論的思想

黨內外群眾意見測評表(發(fā)展黨員)

3dmax2010安裝步驟圖文版

費爾南 布羅代爾

中醫(yī)科護理常規(guī)39

心得三:強化擔當意識心得體會

2013思想品德復習計劃

七年級下冊數學《自主學習指導課程》參考答案2015.3

媽媽背我上學

  本文關鍵詞：基于增量式GHSOM神經網絡模型的入侵檢測研究，由筆耕文化傳播整理發(fā)布。